| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 注释表 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究进展 | 第13-15页 |
| 1.2.1 民机诊断排故技术的发展 | 第13-14页 |
| 1.2.2 贝叶斯网络在诊断排故中的应用 | 第14-15页 |
| 1.3 本文研究内容与结构安排 | 第15-18页 |
| 1.3.1 研究背景 | 第15-16页 |
| 1.3.2 论文结构安排与核心研究内容 | 第16-18页 |
| 第二章 空调系统排故模型及故障关联性分析 | 第18-30页 |
| 2.1 民机空调系统诊断排故模型 | 第18-23页 |
| 2.1.1 空调系统概况 | 第18-19页 |
| 2.1.2 空调系统故障概述 | 第19-20页 |
| 2.1.3 空调系统诊断排故物理模型 | 第20-22页 |
| 2.1.4 空调系统诊断排故数学模型 | 第22-23页 |
| 2.2 空调系统故障关联性分析 | 第23-26页 |
| 2.2.1 关联故障的层次性 | 第23-25页 |
| 2.2.2 关联故障的相关性 | 第25-26页 |
| 2.2.3 关联故障的不确定性 | 第26页 |
| 2.3 诊断排故模型的因果表达与数学表达 | 第26-29页 |
| 2.3.1 诊断排故模型的因果关系 | 第26-28页 |
| 2.3.2 诊断排故模型的数学表达 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 贝叶斯网络及其建模方法研究 | 第30-43页 |
| 3.1 贝叶斯网络的基本概念 | 第30-31页 |
| 3.2 基于多级分层的专家建模方法 | 第31-34页 |
| 3.2.1 目标系统的分解 | 第32页 |
| 3.2.2 贝叶斯网络构建 | 第32-33页 |
| 3.2.3 贝叶斯网络集成 | 第33-34页 |
| 3.3 基于LEAKYNOISYOR模糊评价模型的条件概率求解算法 | 第34-38页 |
| 3.3.1 LeakyNoisyOr模型 | 第34-36页 |
| 3.3.2 模糊综合评判模型 | 第36-37页 |
| 3.3.3 模糊综合评判过程 | 第37-38页 |
| 3.4 贝叶斯网络的推理 | 第38-42页 |
| 3.4.1 贝叶斯网络的推理方式 | 第38-39页 |
| 3.4.2 贝叶斯网络的推理算法 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于贝叶斯网络的民机空调系统建模诊断 | 第43-64页 |
| 4.1 基于多级分层的网络建模 | 第43-53页 |
| 4.1.1 故障信息表简述 | 第43-44页 |
| 4.1.2 故障征兆提取 | 第44-46页 |
| 4.1.3 关联故障提取 | 第46-49页 |
| 4.1.4 网络建模过程 | 第49-53页 |
| 4.2 基于LEAKYNOISYOR模糊评价模型的条件概率求解 | 第53-55页 |
| 4.3 基于ACMS数据的模型验证 | 第55-63页 |
| 4.3.1 ACMS客户化编程技术 | 第55-56页 |
| 4.3.2 空调组件参数采集 | 第56-60页 |
| 4.3.3 模型验证 | 第60-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 基于向前多步观测模型的民机排故优化 | 第64-78页 |
| 5.1 向前多步观测模型 | 第64-67页 |
| 5.1.1 代价确定与模型知识表达 | 第64-65页 |
| 5.1.2 向前多步观测模型 | 第65-67页 |
| 5.2 实例分析与仿真验证 | 第67-72页 |
| 5.2.1 实例分析 | 第67-70页 |
| 5.2.2 蒙特卡罗仿真验证 | 第70-72页 |
| 5.3 诊断排故系统设计与实现 | 第72-77页 |
| 5.3.1 整体需求分析 | 第72-73页 |
| 5.3.2 系统设计与实现 | 第73-77页 |
| 5.4 本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 全文工作总结 | 第78-79页 |
| 6.2 未来工作展望 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 致谢 | 第85-86页 |
| 作者简介 | 第86页 |